CN116452755B - 一种骨骼模型构建方法、系统、介质及设备 - Google Patents
一种骨骼模型构建方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN116452755B CN116452755B CN202310705769.2A CN202310705769A CN116452755B CN 116452755 B CN116452755 B CN 116452755B CN 202310705769 A CN202310705769 A CN 202310705769A CN 116452755 B CN116452755 B CN 116452755B
- Authority
- CN
- China
- Prior art keywords
- target
- points
- model
- sample
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 35
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 246
- 230000009466 transformation Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000001131 transforming effect Effects 0.000 claims abstract 4
- 238000009826 distribution Methods 0.000 claims description 49
- 230000003287 optical effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 7
- 230000001788 irregular Effects 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 abstract description 17
- 210000000845 cartilage Anatomy 0.000 abstract description 15
- 230000005855 radiation Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000019155 Radiation injury Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000003275 diaphysis Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开一种骨骼模型构建方法、系统、介质及设备,方法包括:获取样本模型,标记样本特征点;在真实骨骼选取目标特征点及区域点;变换目标特征点及区域点,配准目标特征点与样本特征点;制定策略,为样本模型分配影响因子,对所有样本模型进行线性组合,构建初始模型,并在初始模型中确定与目标特征点对应的初始特征点;根据初始特征点与目标特征点的距离,调整策略,选取最小距离对应的策略为最优策略,确定最优初始模型;在最优初始模型确定各区域点对应的匹配点,计算变换关系,根据变换关系,变换最优初始模型的所有点,得到目标骨骼模型。本发明无需CT扫描,避免辐射,减轻患者负担,无需刺穿软骨采集信息,有效提高骨骼模型构建精准度。
Description
技术领域
本发明涉及智能医疗技术领域,尤其涉及一种骨骼模型构建方法、系统、介质及设备。
背景技术
计算机断层扫描(CT)是一种运用X射线进行医学成像的先进技术。这项技术的基本原理在于,通过X射线发射器和探测器围绕被扫描的对象旋转,从多个角度获取X射线的穿透信息。然后,这些数据被输入到计算机中进行处理和解析,从而生成被扫描区域的横向(即断层)图像。这种断层图像能清晰地呈现人体内部的各种结构,包括骨骼、肌肉和器官等,因此在医疗诊断和手术规划中发挥了重要的作用。
然而,由于CT扫描依赖于X射线,这就意味着它将会对人体产生一定的辐射。而这种辐射也已经引起了人们的重视,故为了确保医疗从业者特别是患者的安全,医疗行业对CT扫描所使用的辐射剂量有着严格的规定和控制。CT扫描的辐射剂量会根据患者的年龄、体重以及被扫描的部位等因素进行精确调整。在决定是否进行CT扫描时,医生会仔细考虑其带来的诊断好处与可能的辐射风险之间的平衡,只有当诊断好处超过辐射风险时,才会选择进行CT扫描。此外,CT扫描需要单独预约检查,可能额外增加患者的经济负担,以及降低医院的病床使用效率,从而增加手术周期。
与此同时,尽管CT扫描在医学上应用广泛,但它在关节置换等手术中的使用仍然存在一些挑战。对于医生来说,进行精准的关节置换手术的第一步,就是制定一个详细而准确的术前计划。虽然目前许多规划策略都依赖于CT扫描图像,但CT扫描在捕捉关节表面软骨信息方面的能力却相对较弱,无法获得准确的骨骼及软骨信息,以实现软骨及骨骼重建。而在手术过程中,如果没有准确的软骨信息,就无法精确地制定截骨路径,进而影响术前计划的制定,增加病患手术风险。
现有技术中,大多是通过不同模态成像的数据(包括来自MRI/CT的DICOM、X射线图像和超声),基于图像像素的空间属性(如边缘和区域轮廓)进行三维重建,获取患者的三维骨模型,但是这种方法的骨骼重建效果会因不同数据而产生很大的差别,造成手术效果不理想,且依赖大量数据训练先进的AI分割算法,对计算机性能要求较高。
此外,具体的,CN109692041A和CN115239830A两项专利公开了软骨面重建方法及配准方法。这两种方法都是基于硬骨面信息,然后通过光学定位系统获取现实世界中硬骨面的配准点的空间坐标信息。这个过程包括两个阶段:首先,进行一次粗配准,将虚拟与现实中硬骨面位置对齐;其次,在软骨表面再采集多个点来执行精配准,从而获取软骨面信息。
虽然上述两种方法能够构建出软骨面信息,但它仍然存在一些缺陷。首先,这个过程需要先获取到患者的硬骨面信息,这便意味着在术前仍旧需要对患者进行CT检查,而CT检查不仅增加了对患者的辐射,也延长了诊疗时间,增加了经济成本。另外,在粗配准阶段,完成现实世界中硬骨面的采集过程时,必须要刺穿软骨面来获取软骨表面下的点的信息。这种操作不仅可能会对患者的实际软骨面造成破坏,同时也可能引入人为的误差,影响点的采集精度,进而为后续配准及模型构建带来误差,影响医生术前计划制定的精准性。
发明内容
基于此,针对上述问题,本发明提出了一种骨骼模型构建方法、系统、介质及设备。
第一方面,本发明公开了一种骨骼模型构建方法,所述方法包括:
获取若干样本骨骼模型,并标记各个样本骨骼模型中的样本特征点;
在患者真实骨骼上选取目标特征点以及目标区域点,并记录所述目标特征点与所述目标区域点在影像坐标系下的位置,所述目标特征点为所述患者真实骨骼上与所述样本特征点相对应的点,所述目标区域点为构建骨骼模型所需关键区域内的点;
根据所述目标特征点与所述目标区域点在影像坐标系下的位置,对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准;
制定影响因子分配策略,为各样本骨骼模型分配对应的影响因子,根据所述影响因子分配策略,对所有样本骨骼模型进行线性组合,构建初始目标骨骼模型,并在所述初始目标骨骼模型中确定与所述目标特征点相对应的初始特征点;
根据所述初始特征点与对应目标特征点的距离,调整所述影响因子分配策略,选取最小距离对应的影响因子分配策略作为最优影响因子分配策略,并根据所述最优影响因子分配策略,确定最优初始目标骨骼模型;
在所述最优初始目标骨骼模型中,确定每个所述目标区域点对应的匹配点,以及计算所述目标区域点与对应匹配点的变换关系,并根据所述变换关系,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到最终的目标骨骼模型。
进一步的,对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准,具体包括:
通过ICP配准算法,对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准。
进一步的,根据所述初始特征点与对应目标特征点的距离,调整所述影响因子分配策略,选取最小距离对应的影响因子分配策略作为最优影响因子分配策略,并根据所述最优影响因子分配策略,确定最优初始目标骨骼模型,具体包括:
初始化一个最优初始目标骨骼模型变量,用于存储构建的最优初始目标骨骼模型;
初始化一个最小距离均值变量,预设最小距离均值,用于存储最小的距离均值;
通过搜索策略,遍历搜索影响因子分配策略:
对于当前搜索的影响因子分配策略,对所有样本骨骼模型进行线性组合,构建当前初始目标骨骼模型,并在当前初始目标骨骼模型中确定与所述目标特征点相对应的当前初始特征点;
初始化一个距离总和变量,用于计算目标特征点与当前初始特征点之间的距离总和;
遍历每一个目标特征点:
计算当前目标特征点与当前初始特征点之间的欧氏距离;
将计算出的所述欧氏距离累加到距离总和变量中;
通过所述距离总和变量除以所述目标特征点的数量,计算当前影响因子分配策略对应的距离均值;
比较当前影响因子分配策略对应的距离均值与所述最小距离均值:
如果当前影响因子分配策略对应的距离均值小于所述最小距离均值,将当前初始目标骨骼模型存储于最优初始目标骨骼模型变量中,同时更新最小距离均值变量为当前影响因子分配策略对应的距离均值;
完成影响因子分配策略的搜索后,将最优初始目标骨骼模型变量中存储的模型作为最优初始目标骨骼模型。
进一步的,在所述最优初始目标骨骼模型中,确定每个所述目标区域点对应的匹配点,以及计算所述目标区域点与对应匹配点的变换关系,具体包括:
计算每个所述目标区域点与所述最优初始目标骨骼模型中所有点的距离,选取最小距离对应的点,作为每个所述目标区域点在所述最优初始目标骨骼模型中对应的匹配点;
根据每个所述目标区域点及对应的匹配点的空间坐标,计算所述目标区域点与对应匹配点的变换关系。
进一步的,根据所述变换关系,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到最终的目标骨骼模型,具体包括:
根据所述变换关系,利用TPS插值方法,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到最终的目标骨骼模型。
进一步的,所述样本特征点以及目标特征点具体包括:样本骨骼模型和真实骨骼上具有解剖学意义的骨骼标志点,和/或骨骼不规则区域的凸点或凹点。
进一步的,在患者真实骨骼上选取目标特征点以及目标区域点,并记录所述目标特征点与目标区域点在影像坐标系下的位置,具体包括:
利用定位工具及针式配准工具,在患者真实骨骼上选取目标特征点以及目标区域点,并利用光学相机记录所述目标特征点与目标区域点在影像坐标系下的位置。
另一方面,本发明还公开了一种骨骼模型构建系统,所述系统包括:
样本模型获取及标记模块,用于获取若干样本骨骼模型,并标记各个样本骨骼模型中的样本特征点;
目标点选取模块,用于在患者真实骨骼上选取目标特征点以及目标区域点,并记录所述目标特征点与所述目标区域点在影像坐标系下的位置,所述目标特征点为所述患者真实骨骼上与所述样本特征点相对应的点,所述目标区域点为构建骨骼模型所需关键区域内的点;
配准模块,用于根据所述目标特征点与所述目标区域点在影像坐标系下的位置,对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准;
初始目标骨骼模型构建模块,用于制定影响因子分配策略,为各样本骨骼模型分配对应的影响因子,根据所述影响因子分配策略,对所有样本骨骼模型进行线性组合,构建初始目标骨骼模型,并在所述初始目标骨骼模型中确定与所述目标特征点相对应的初始特征点;
最优初始目标骨骼模型确定模块,用于根据所述初始特征点与对应目标特征点的距离,调整所述影响因子分配策略,选取最小距离对应的影响因子分配策略作为最优影响因子分配策略,并根据所述最优影响因子分配策略,构建最优初始目标骨骼模型;
目标骨骼模块形成模块,用于在所述最优初始目标骨骼模型中,确定每个所述目标区域点对应的匹配点,以及计算所述目标区域点与对应匹配点的变换关系,并根据所述变换关系,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到最终的目标骨骼模型。
另一方面,本发明还公开了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述任一项骨骼模型构建方法的步骤。
另一方面,本发明还公开了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述任一项骨骼模型构建方法的步骤。
采用本发明的技术方案,具有如下有益效果:
本发明所述的骨骼模型构建方法,仅需通过简易的定位工具和光学相机在患者真实骨骼上记录目标特征点及目标区域点位置,制定影响因子分配策略为样本骨骼模型分配影响因子,对所有样本骨骼模型线性组合,构建初始目标骨骼模型,再根据初始目标骨骼模型上的初始特征点与对应目标特征点的距离,调整影响因子分配策略,以确定与目标骨骼模型差异最小的最优初始目标骨骼模型,再通过目标区域点对该最优初始目标骨骼模型进行细节调整,便可精准得到最终用于模拟患者真实骨骼的目标骨骼模型,灵活合理利用现有样本骨骼模型,操作及计算步骤简单,无需事先通过CT获取患者骨面信息,有效避免CT对患者的辐射伤害,减轻患者经济负担,提升骨骼模型构建效率,缩短诊疗时间,同时,在构建模型过程中,无需刺穿患者软骨采集信息,可有效避免采集中的人为误差,提高目标骨骼模型构建的精准度,进而帮助医生制定更精准的术前计划,给患者提供更有效的治疗效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中骨骼模型构建方法的流程图;
图2为一个实施例中样本骨骼模型拓扑重建的示意图;
图3为一个实施例中样本骨骼模型中样本特征点提取示意图;
图4为一个实施例中样本骨骼模型中ID编号示意图;
图5为一个实施例中光学相机、定位工具、针式配准工具示意图;
图6为一个实施例中患者真实股骨髁目标特征点及目标区域点的选取示意图;
图7为一个实施例中患者真实股骨髁目标特征点和目标区域点在影像坐标系下的位置示意图;
图8为一个实施例中最终得到的目标骨骼模型示意图;
图9为一个实施例中目标骨骼模型与真实骨骼模型对比分析示意图;
图10为一个实施例中骨骼模型构建系统的结构框图;
图11为一个实施例中计算机设备的结构框图。
附图标记说明:样本模型获取及标记模块100,目标点选取模块200,配准模块300,初始目标骨骼模型构建模块400,最优初始目标骨骼模型确定模块500,目标骨骼模型形成模块600。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,在一个实施例中,提供了一种骨骼模型构建方法,该方法具体包括如下步骤:
S100、获取若干样本骨骼模型,并标记各个样本骨骼模型中的样本特征点。
具体实施过程中,可以建立一个样本模型数据库,将获取的多种不同的三维样本骨骼模型存储于数据库中,对每个样本骨骼模型进行拓扑重构,使得每个样本骨骼模型表面生成多个拓扑连接的模型点,消除不规则表面和孔洞,便于后续处理,还可以赋予每个模型点一个独特的ID编号,并在各个样本骨骼模型中标记样本特征点,具体的,样本特征点可以是具有特殊解剖学意义的骨骼标志点,也可以是骨骼不规则区域的凸点或凹点。
S200、在患者真实骨骼上选取目标特征点以及目标区域点,并记录所述目标特征点与所述目标区域点在影像坐标系下的位置,所述目标特征点为所述患者真实骨骼上与所述样本特征点相对应的点,所述目标区域点为构建骨骼模型所需关键区域内的点。
具体实施过程中,可以在患者真实骨骼上安装定位工具,将其置于光学相机的视野内,使用针式配准工具,按照指导流程,在现实世界中的患者真实骨骼上依次选择目标特征点,每选中一个特征点,利用光学相机的影像坐标系下记录并保存它的空间位置,这些目标特征点为患者真实骨骼上与样本特征点位置一一对应的点,并继续按照这个流程,在患者真实骨骼表面依次选择多个目标区域点,这些目标区域点可以是主要位于关节软骨面、影响手术规划结果的、构建骨骼模型所需关键区域内的点,并同样利用光学相机记录保存每个目标区域点在影像坐标系下的空间位置。
其中,光学相机是一种基于光学原理的成像设备,用于捕捉和记录物体的图像以及物体在空间中的位置。在医学影像和计算机辅助手术中,双目光学相机常被用于实现精确的三维定位。双目光学相机包含两个相机传感器,它们之间的距离和角度类似于人类的双眼。通过同时捕捉物体的两个视角,双目光学相机可以计算出物体在空间中的三维坐标。具体的,本实施中,光学相机可以是近红外双目光学相机。
定位工具是一种用于追踪物体在现实空间中位置的设备。在医学影像和计算机辅助手术中,定位工具可以安装在患者的骨骼或其他身体部位上。具体的,本实施中,定位工具可以是无源被动式反光球或者有源红外光发射球。无源被动式反光球由一组反光球组成,它们能够反射光线,当光学相机照射光线到这些反光球上时,它们会反射光线返回相机,使相机能够检测到它们的位置,通过计算这些反光球在空间中的相对位置,便可以精确地确定骨骼的位置和姿态;而有源红外光发射球与无源被动式反光球不同,有源红外光发射球能够自主发出红外光线,这种定位工具包含一组红外光发射球,它们会向外发射红外光线,光学相机可以检测到这些红外光线,从而确定红外光发射球在空间中的位置,类似地,通过计算这些红外光发射球的相对位置,便可以精确地确定骨骼的位置和姿态。
通过光学相机和定位工具的配合使用,可以精确地测量和定位患者骨骼及其内部点在空间中的位置和姿态,为医生提供了更精确的数据和信息,这使得医生可以更加精确地进行手术规划,提高手术的成功率和效果。
S300、根据所述目标特征点与所述目标区域点在影像坐标系下的位置,对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准。
具体实施过程中,由于光学相机记录的是目标特征点和目标区域点在影像坐标系下的位置,而样本骨骼模型及其特征点均处于模型空间坐标系下,因此二者所处坐标系不一致,无法进行后续的比较处理,故需要首先通过空间变换将目标特征点和目标区域点与样本骨骼模型转换至同一坐标系下进行对齐配准,而其中又由于目标特征点与样本骨骼模型上的样本特征点在空间位置上是一一对应的,则提供了配准的参照标准,即可以通过目标特征点与任一样本骨骼模型中的样本特征点的配准,实现目标特征点和目标区域点与样本骨骼模型在同一坐标系下达到最佳的对齐状态。
更具体的,可以通过ICP配准算法,对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准。其中,ICP配准,全称迭代最近点配准(Iterative Closest Point),是一种高效精准的3D扫描数据配准方法。
S400、制定影响因子分配策略,为各样本骨骼模型分配对应的影响因子,根据所述影响因子分配策略,对所有样本骨骼模型进行线性组合,构建初始目标骨骼模型,并在所述初始目标骨骼模型中确定与所述目标特征点相对应的初始特征点;
S500、根据所述初始特征点与对应目标特征点的距离,调整所述影响因子分配策略,选取最小距离对应的影响因子分配策略作为最优影响因子分配策略,并根据所述最优影响因子分配策略,确定最优初始目标骨骼模型。
具体实施过程中,为了得到最终用于模拟患者真实骨骼情况的目标骨骼模型,可以先基于现有的样本骨骼模型构建出一个初始模型,再根据患者骨骼的真实情况,对该初始模型进行修改调整,以得到最终的目标骨骼模型。
而在基于样本骨骼模型构建初始模型的过程中,由于样本骨骼模型间的个体差异较大,无法确定基于哪一个样本骨骼模型构建初始模型的效果最好,同时,仅依据单个样本模型进行初始模型构建,构建出的模型仅能具备该单个样本模型的模型特征,不具备代表性与普适性,可能导致构建出的初始模型与患者真实骨骼差异过大,后续需要进行大量的调整修改工作,不利于目标骨骼模型的高效精准构建。
因此,本实施例中,首先通过制定影响因子分配策略,为各个样本骨骼模型分配对应的影响因子,根据影响因子分配策略对所有样本骨骼模型进行线性组合,将线性组合后得到的模型作为构建的初始目标骨骼模型,使得该初始模型能够综合所有样本骨骼模型的模型特征,以解决仅凭单个样本模型构建初始模型不具备代表性的问题,为后续目标骨骼模型的高效精准构建提供前提。
其中,根据影响因子分配策略对所有样本骨骼模型进行线性组合,即是对每个样本骨骼模型中的各个模型点进行加权求和,以构建初始目标骨骼模型,故在初始目标骨骼模型中,存在各样本特征点加和形成的对应初始特征点,而又由于样本特征点与目标特征点一一对应,因此该初始特征点也与目标特征点一一对应,具体可以通过各个模型中点的ID进行相互匹配对应。
而初始目标骨骼模型中的初始特征点与目标特征点的距离,可以用来表征初始目标骨骼模型中初始特征点和目标特征点的位置差异,距离越小则代表初始目标骨骼模型中初始特征点的位置越接近患者真实骨骼上目标特征点的位置,换句话说,也就是该初始目标骨骼模型与待构建的用来模拟患者真实骨骼的目标骨骼模型越近似,越能精准地模拟患者真实骨骼情况,需要进一步调整优化的程度较小。
因此,本实施例中,进一步通过初始特征点与对应目标特征点的距离,调整影响因子分配策略,将最小距离对应的影响因子分配策略作为最优影响因子分配策略,根据最优影响因子分配策略,对样本骨骼模型进行线性组合,得到与最终的目标骨骼模型差异最小的最优初始目标骨骼模型,后续仅需再对该最优初始目标骨骼模型进行小程度的差异细节调整,便可得到最精准的目标骨骼模型,进一步提升目标骨骼模型构建的精准度以及构建效率。
S600、在所述最优初始目标骨骼模型中,确定每个所述目标区域点对应的匹配点,以及计算所述目标区域点与对应匹配点的变换关系,并根据所述变换关系,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到最终的目标骨骼模型。
具体实施过程中,当通过目标特征点与初始特征点的对应关系,选取到与目标骨骼模型差异最小的最优初始目标骨骼模型后,由于目标区域点尚未在最优初始目标骨骼模型上具有映射关系,则其在最优初始目标骨骼模型上的位置可能与最终的目标骨骼模型的真实位置仍存在一定偏差,故需要进一步减少目标区域点的位置偏差,以对最优初始目标骨骼模型上的所有点的位置进行进一步优化调整,得到最精准的目标骨骼模型。因此,本实施例中,可以首先在最优初始目标骨骼模型中,找到各个目标区域点对应的匹配点,计算目标区域点与对应匹配点的变换关系,再通过这个变换关系,对最优初始目标骨骼模型中的所有点进行空间变换,便可得到最精准的目标骨骼模型。
具体的,可以通过计算每个所述目标区域点与所述最优初始目标骨骼模型中所有点的距离,选取最小距离对应的点,作为每个所述目标区域点在所述最优初始目标骨骼模型中对应的匹配点;
根据每个所述目标区域点及对应的匹配点的空间坐标,计算所述目标区域点与对应匹配点的变换关系;
根据所述变换关系,利用TPS插值方法,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到目标骨骼模型。
上述实施例所述的骨骼模型构建方法,仅需通过简易的定位工具和光学相机在患者真实骨骼上记录目标特征点及目标区域点位置,制定影响因子分配策略为样本骨骼模型分配影响因子,对所有样本骨骼模型线性组合,构建初始目标骨骼模型,再根据初始目标骨骼模型上的初始特征点与对应目标特征点的距离,调整影响因子分配策略,以确定与目标骨骼模型差异最小的最优初始目标骨骼模型,再通过目标区域点对该最优初始目标骨骼模型进行细节调整,便可精准得到最终用于模拟患者真实骨骼的目标骨骼模型。该方法灵活合理利用现有样本骨骼模型,操作及计算步骤简单,无需事先通过CT获取患者骨面信息,有效避免CT对患者的辐射伤害,减轻患者经济负担,提升骨骼模型构建效率,缩短诊疗时间,同时,在构建模型过程中,无需刺穿患者软骨采集信息,可有效避免样本点采集中的人为误差,提高目标骨骼模型构建的精准度,进而帮助医生制定更精准的术前计划,给患者提供更有效的治疗效果。
以下,通过构建股骨髁三维模型的具体实施过程为例,再对上述骨骼模型构建方法进行说明。
样本骨骼模型获取过程:
建立一个样本股骨模型数据库,包括多个样本股骨髁三维模型,其中的每个模型都已进行拓扑重构,以消除不规则表面和孔洞,以便后续进行比较和选择。
第一步网格化处理:
a. 选择样本股骨髁三维模型。
b. 使用3D建模软件或算法将所选股骨髁模型转换为三角形网格模型。
c. 将处理后的网格模型保存为新文件,用于后续处理。
第二步拓扑重建:
a. 打开网格编辑软件,如MeshLab、Blender等。
b. 导入处理后的股骨髁网格模型。
c. 使用网格编辑软件中的工具和功能,调整并编辑网格模型的拓扑结构,使得每个模型点的拓扑结构相同。
d. 将拓扑重建后的网格模型导出并保存为新文件,样本骨骼模型拓扑重建的示意图如图2所示。
第三步特征点提取:
a. 使用特征点提取算法(如SIFT、Harris角点、FAST角点、Saliency Detection等),提取拓扑重建后的股骨髁模型中的样本特征点,样本特征点提取示意图如图3所示,所提取的样本特征点可以为点1—髌骨滑车起点、点2—髌骨滑车终点、点3—内侧髁上凸点、点4—外侧髁上凸点、点5—内侧远端高点、点6—外侧远端高点、点7—内侧后髁低点、点8—外侧后髁低点、点9—前髁与骨干交叉高点。
b. 将提取到的样本特征点保存为单独的文件,用于后续处理。
第四步模型重采样:
a. 使用模型重采样算法,如网格采样算法、点云降采样算法、网格或点云插值算法等,将每个样本骨骼模型中的点数量调整为相同的数量。
b. 将重采样后的模型导出并保存为新文件。
第五步统一点ID编号:
a. 对所有模型中的点进行统一编号,确保在所有模型中相同位置的样本特征点具有相同的ID号,ID编号后的样本股骨髁三维模型示意图如图4所示。
b. 将编号后的模型导出并保存为新文件。
目标特征点以及目标区域点选取过程:
准备工作:
a. 将患者安排在适当的位置,并确保患者真实骨骼的股骨髁区域可以触及。
b. 准备双目光学相机、定位工具(如无源被动式反光球或有源红外光发射球)、针式配准工具等设备,光学相机、定位工具和针式配准工具示意图如图5所示。
安装定位工具:
a. 在患者股骨髁上安装股骨定位工具,确保它能够稳定地固定在位。
b. 调整双目光学相机的位置,使定位工具位于相机的视野内。
选择目标特征点:
a. 使用针式配准工具,按照指导流程在现实世界中患者真实股骨髁上依次选择目标特征点,确保每个目标特征点在股骨髁上正确选择,所选取的目标特征点为和上述样本特征点1-9一致的9个点。
b. 在光学相机的影像坐标系下,记录并保存每个目标特征点的空间位置到数据列表中。
选择目标区域点:
a. 继续按指导流程在患者真实股骨髁表面依序选择多个目标区域点。目标区域点主要在关节软骨面及影响手术规划结果的、构建骨骼模型所需的内外侧髁、股骨前髁与股骨干连接区域内的点,具体如图6中所示的区域10—外侧髁上区域点、区域11—内侧髁上区域点、区域12—髌骨滑车区域点。
b. 同样记录并保存每个目标区域点的空间位置到数据列表中。
最终在患者真实股骨髁目标特征点及目标区域点的选取示意图如图6所示。
数据保存与分析:
a. 将所有采集到的目标特征点和目标区域点的空间位置数据导入到数据处理软件中,如MATLAB或Python等,具体的目标特征点和目标区域点在影像坐标系下的位置示意图如图7所示。
b. 对采集到的数据进行处理和分析,以便为后续手术规划和模型配准提供参考。
ICP配准:
ICP配准的关键任务是将影像坐标系下的目标特征点与数据库中任意股骨髁模型A的样本特征点进行匹配。通过ICP(迭代最近点)算法,我们能够对待生成的目标骨骼模型中的目标特征点以及目标区域点进行移动和旋转的空间变换,使其与数据库中的模型A在同一坐标系下达到最佳的对齐状态,进而执行下一步的最优初始目标骨骼模型确定。
最优初始目标骨骼模型确定:
计算目标特征点与初始目标骨骼模型的对应ID的初始特征点之间的距离均值。选择距离均值最低的一个初始目标骨骼模型作为最优初始目标骨骼模型。这个最优初始目标骨骼模型在初始特征点的位置上与目标特征点的差异最小。这个最优初始目标骨骼用于后续的模型调整,以便进一步优化模型以匹配目标骨骼模型的目标特征点和目标区域点。
最优初始目标骨骼确定的具体步骤:
1.初始化一个最优初始目标骨骼模型变量,用于存储构建的最优初始目标骨骼模型;
2.初始化一个最小距离均值变量,预设最小距离均值,可以设置为一个较大的值,用于存储最小的距离均值;
3.通过搜索策略,遍历搜索影响因子分配策略:
a. 对于当前搜索的影响因子分配策略,对所有样本骨骼模型进行线性组合,构建当前初始目标骨骼模型,并在当前初始目标骨骼模型中确定与所述目标特征点相对应的当前初始特征点;
初始化一个距离总和变量,用于计算目标特征点与当前初始特征点之间的距离总和;
b.遍历每一个目标特征点:
i. 计算当前目标特征点与当前初始特征点之间的欧氏距离;
ii.将计算出的欧氏距离累加到距离总和变量中;
c. 通过所述距离总和变量除以所述目标特征点的数量,计算当前影响因子分配策略对应的距离均值;
d. 比较当前影响因子分配策略对应的距离均值与所述最小距离均值:
i. 如果当前影响因子分配策略对应的距离均值小于所述最小距离均值,将当前初始目标骨骼模型存储于最优初始目标骨骼模型变量中,同时更新最小距离均值变量为当前影响因子分配策略对应的距离均值;
4.完成影响因子分配策略的搜索后,将最优初始目标骨骼模型变量中存储的模型作为最优初始目标骨骼模型。
模型优化调整:
此时,由于目标区域点尚未在最优初始目标骨骼模型上具有映射关系,则其在最优初始目标骨骼模型上的位置可能与最终的目标骨骼模型的真实位置仍存在一定偏差。为了进一步减少目标区域点的位置偏差,需要以对最优初始目标骨骼模型上的所有点的位置进行进一步优化调整,得到最精准的目标骨骼模型。
首先,目标特征点与最优初始目标骨骼模型中初始特征点之间的对应关系已知,但目标区域点与最优初始目标骨骼模型上的对应关系未知,则需要先计算目标区域点与最优初始目标骨骼模型上的对应关系。
a. 目标区域点对应关系计算:
对于每个目标区域点,我们需要找到最优初始目标骨骼模型表面上与其距离最近的点作为匹配点。这可以通过计算目标区域点到最优初始目标骨骼模型表面上所有点的欧氏距离来实现。然后,选择距离最短的那个点作为匹配点。通过这种方式,我们可以为每个目标区域点找到一个对应的匹配点,从而建立目标区域点与最优初始目标骨骼模型之间的对应变换关系。
欧氏距离计算方式如下:
(1)
(x1,y1,z1)代表目标区域点的空间坐标,(x2,y2,z2)代表最优初始目标骨骼模型的点的空间坐标;
b. 空间变换:
根据上一步计算得到的变换关系,对最优初始目标骨骼模型中的所有点进行空间变换,实现对最优初始目标骨骼模型的进一步优化调整,便可得到最精准的目标骨骼模型。为了实现这个目标,我们可以使用薄板样条(Thin Plate Spline,TPS)方法。
TPS插值方法是一种插值、配准方法,该函数在全局范围内平滑且易于计算。它已广泛应用于各种数据配准以及拟合应用。针对于已知对应关系的一组目标区域点和最优初始目标骨骼模型表面上的匹配点,TPS变换可被定义为从 R 3到 R 3的平滑映射f。将目标区域点和最优初始目标骨骼模型表面上的匹配点 { L Ri , L Ti }, i = 1,2,…,m 作为控制点,TPS 最小化以下弯曲能量函数E ( f ) 具有以下插值条件:
(2)
TPS 可以分解为仿射和非仿射成分 ,即
(3)
其中 P 是最优初始目标骨骼模型3D 面上具有齐次坐标表示的点,d 是一个 4× 4 齐次仿射变换矩阵,Λ是一个M × 4 非仿射翘曲系数矩阵,并且 ϕ(P) = (ϕ 1 (P), ϕ 2 (P),…,ϕ M (P)) 是 TPS 的 1 × M核向量,形式为 ϕ k (P) = ‖P − L Tk‖。
如果对式(1)中的插值条件要求不严格,可以最小化如下能量函数求最优解:
(4)
其中λ是平滑正则化项。如果λ等于0,则严格满足式(1)中的插值条件。TPS参数d和Λ可以通过求解以下线性方程得到:
(5)
Φ 是一个M × M矩阵,其分量为 Φ kl = ‖ L Tk − L Tl ‖,L R是一个M × 4矩阵,每一行是点L Ri的齐次坐标,i = 1,2,…, M , L R同义。
完成变换关系的求解后,根据式(3),带入相关求得的变量,依次输入最优初始目标骨骼模型上的所有点,即可得到最优初始目标骨骼模型在变换关系下新的点,即可实现对最优初始目标骨骼模型的进一步优化增强,得到目标骨骼模型,最终得到的目标骨骼模型如图8所示。
此外,本实施例中,还进行了目标骨骼模型与真实骨骼模型的对比分析,对比分析示意图如图9所示,可见,通过上述骨骼模型构建方法得到的目标骨骼模型与真实骨骼模型之间的偏差均保持在较小范围内,所构建的目标骨骼模型能够模拟替代患者的真实骨骼,即上述骨骼模型构建方法能够有效实现其精准构建骨骼模型的技术效果。
另一方面,如图10所示,在一个实施例中,还提供了一种骨骼模型构建系统,该系统包括:
样本模型获取及标记模块100,用于获取若干样本骨骼模型,并标记各个样本骨骼模型中的样本特征点;
目标点选取模块200,用于在患者真实骨骼上选取目标特征点以及目标区域点,并记录所述目标特征点与所述目标区域点在影像坐标系下的位置,所述目标特征点为所述患者真实骨骼上与所述样本特征点相对应的点,所述目标区域点为构建骨骼模型所需关键区域内的点;
配准模块300,用于根据所述目标特征点与所述目标区域点在影像坐标系下的位置,对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准;
初始目标骨骼模型构建模块400,用于制定影响因子分配策略,为各样本骨骼模型分配对应的影响因子,根据所述影响因子分配策略,对所有样本骨骼模型进行线性组合,构建初始目标骨骼模型,并在所述初始目标骨骼模型中确定与所述目标特征点相对应的初始特征点;
最优初始目标骨骼模型确定模块500,用于根据所述初始特征点与对应目标特征点的距离,调整所述影响因子分配策略,选取最小距离对应的影响因子分配策略作为最优影响因子分配策略,并根据所述最优影响因子分配策略,构建最优初始目标骨骼模型;
目标骨骼模型形成模块600,用于在所述最优初始目标骨骼模型中,确定每个所述目标区域点对应的匹配点,以及计算所述目标区域点与对应匹配点的变换关系,并根据所述变换关系,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到最终的目标骨骼模型。
需要说明的是,本实施例提供的一种骨骼模型构建系统所涉及各功能模块的其他相应描述,可以参考上述实施例中方法的对应描述,在此不再赘述。
另一方面,在一个实施例中,还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述任一实施例所述的骨骼模型构建方法的步骤。
另一方面,在一个实施例中,还提供了计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述任一实施例所述的骨骼模型构建方法的步骤。
图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图11所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述骨骼模型构建方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述骨骼模型构建方法。本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种骨骼模型构建方法,其特征在于,所述方法包括:
获取若干样本骨骼模型,并标记各个样本骨骼模型中的样本特征点;
在患者真实骨骼上选取目标特征点以及目标区域点,并记录所述目标特征点与所述目标区域点在影像坐标系下的位置,所述目标特征点为所述患者真实骨骼上与所述样本特征点相对应的点,所述目标区域点为构建骨骼模型所需关键区域内的点;
根据所述目标特征点与所述目标区域点在影像坐标系下的位置,对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准;
制定影响因子分配策略,为各样本骨骼模型分配对应的影响因子,根据所述影响因子分配策略,对所有样本骨骼模型进行线性组合,构建初始目标骨骼模型,并在所述初始目标骨骼模型中确定与所述目标特征点相对应的初始特征点;
根据所述初始特征点与对应目标特征点的距离,调整所述影响因子分配策略,选取最小距离对应的影响因子分配策略作为最优影响因子分配策略,并根据所述最优影响因子分配策略,确定最优初始目标骨骼模型;
在所述最优初始目标骨骼模型中,确定每个所述目标区域点对应的匹配点,以及计算所述目标区域点与对应匹配点的变换关系,并根据所述变换关系,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到最终的目标骨骼模型。
2.根据权利要求1所述的骨骼模型构建方法,其特征在于,所述对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准,具体包括:
通过ICP配准算法,对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准。
3.根据权利要求1所述的骨骼模型构建方法,其特征在于,根据所述初始特征点与对应目标特征点的距离,调整所述影响因子分配策略,选取最小距离对应的影响因子分配策略作为最优影响因子分配策略,并根据所述最优影响因子分配策略,确定最优初始目标骨骼模型,具体包括:
初始化一个最优初始目标骨骼模型变量,用于存储构建的最优初始目标骨骼模型;
初始化一个最小距离均值变量,预设最小距离均值,用于存储最小的距离均值;
通过搜索策略,遍历搜索影响因子分配策略:
对于当前搜索的影响因子分配策略,对所有样本骨骼模型进行线性组合,构建当前初始目标骨骼模型,并在当前初始目标骨骼模型中确定与所述目标特征点相对应的当前初始特征点;
初始化一个距离总和变量,用于计算目标特征点与当前初始特征点之间的距离总和;
遍历每一个目标特征点:
计算当前目标特征点与当前初始特征点之间的欧氏距离;
将计算出的所述欧氏距离累加到距离总和变量中;
通过所述距离总和变量除以所述目标特征点的数量,计算当前影响因子分配策略对应的距离均值;
比较当前影响因子分配策略对应的距离均值与所述最小距离均值:
如果当前影响因子分配策略对应的距离均值小于所述最小距离均值,将当前初始目标骨骼模型存储于最优初始目标骨骼模型变量中,同时更新最小距离均值变量为当前影响因子分配策略对应的距离均值;
完成影响因子分配策略的搜索后,将最优初始目标骨骼模型变量中存储的模型作为最优初始目标骨骼模型。
4.根据权利要求1所述的骨骼模型构建方法,其特征在于,所述在所述最优初始目标骨骼模型中,确定每个所述目标区域点对应的匹配点,以及计算所述目标区域点与对应匹配点的变换关系,具体包括:
计算每个所述目标区域点与所述最优初始目标骨骼模型中所有点的距离,选取最小距离对应的点,作为每个所述目标区域点在所述最优初始目标骨骼模型中对应的匹配点;
根据每个所述目标区域点及对应的匹配点的空间坐标,计算所述目标区域点与对应匹配点的变换关系。
5.根据权利要求1所述的骨骼模型构建方法,其特征在于,所述根据所述变换关系,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到目标骨骼模型,具体包括:
根据所述变换关系,利用TPS插值方法,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到最终的目标骨骼模型。
6.根据权利要求1至5任一项所述的骨骼模型构建方法,其特征在于,所述样本特征点以及目标特征点具体包括:样本骨骼模型和真实骨骼上具有解剖学意义的骨骼标志点,和/或骨骼不规则区域的凸点或凹点。
7.根据权利要求1至5任一项所述的骨骼模型构建方法,其特征在于,在患者真实骨骼上选取目标特征点以及目标区域点,并记录所述目标特征点与目标区域点在影像坐标系下的位置,具体包括:
利用定位工具及针式配准工具,在患者真实骨骼上选取目标特征点以及目标区域点,并利用光学相机记录所述目标特征点与目标区域点在影像坐标系下的位置。
8.一种骨骼模型构建系统,其特征在于,所述系统包括:
样本模型获取及标记模块,用于获取若干样本骨骼模型,并标记各个样本骨骼模型中的样本特征点;
目标点选取模块,用于在患者真实骨骼上选取目标特征点以及目标区域点,并记录所述目标特征点与所述目标区域点在影像坐标系下的位置,所述目标特征点为所述患者真实骨骼上与所述样本特征点相对应的点,所述目标区域点为构建骨骼模型所需关键区域内的点;
配准模块,用于根据所述目标特征点与所述目标区域点在影像坐标系下的位置,对影像坐标系下的所述目标特征点以及目标区域点进行空间变换,以使所述目标特征点与任一样本骨骼模型中的样本特征点在同一坐标系下进行配准;
初始目标骨骼模型构建模块,用于制定影响因子分配策略,为各样本骨骼模型分配对应的影响因子,根据所述影响因子分配策略,对所有样本骨骼模型进行线性组合,构建初始目标骨骼模型,并在所述初始目标骨骼模型中确定与所述目标特征点相对应的初始特征点;
最优初始目标骨骼模型确定模块,用于根据所述初始特征点与对应目标特征点的距离,调整所述影响因子分配策略,选取最小距离对应的影响因子分配策略作为最优影响因子分配策略,并根据所述最优影响因子分配策略,构建最优初始目标骨骼模型;
目标骨骼模型形成模块,用于在所述最优初始目标骨骼模型中,确定每个所述目标区域点对应的匹配点,以及计算所述目标区域点与对应匹配点的变换关系,并根据所述变换关系,对所述最优初始目标骨骼模型中的所有点进行空间变换,得到最终的目标骨骼模型。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705769.2A CN116452755B (zh) | 2023-06-15 | 2023-06-15 | 一种骨骼模型构建方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705769.2A CN116452755B (zh) | 2023-06-15 | 2023-06-15 | 一种骨骼模型构建方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452755A CN116452755A (zh) | 2023-07-18 |
CN116452755B true CN116452755B (zh) | 2023-09-22 |
Family
ID=87127696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310705769.2A Active CN116452755B (zh) | 2023-06-15 | 2023-06-15 | 一种骨骼模型构建方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452755B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608741A (zh) * | 2015-12-17 | 2016-05-25 | 四川大学 | 预测颌面骨整形术后软组织容貌变化的计算机仿真方法 |
CN109978998A (zh) * | 2019-04-03 | 2019-07-05 | 北京师范大学 | 一种基于面部软组织和形状空间的古人类颅面复原方法 |
CN110570464A (zh) * | 2019-09-16 | 2019-12-13 | 常州工程职业技术学院 | 一种面向骨骼外形平均化的股骨模型配准方法 |
CN110570515A (zh) * | 2019-09-03 | 2019-12-13 | 天津工业大学 | 一种利用ct图像进行人体骨骼三维建模的方法 |
CN111640175A (zh) * | 2018-06-21 | 2020-09-08 | 华为技术有限公司 | 一种物体建模运动方法、装置与设备 |
CN114332378A (zh) * | 2021-12-31 | 2022-04-12 | 西安交通大学 | 基于二维医学影像的人体骨骼三维模型获取方法及系统 |
US11426281B2 (en) * | 2013-10-15 | 2022-08-30 | Mohamed Rashwan Mahfouz | Bone reconstruction and orthopedic implants |
WO2023078309A1 (zh) * | 2021-11-05 | 2023-05-11 | 苏州微创畅行机器人有限公司 | 目标特征点提取方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9218524B2 (en) * | 2012-12-06 | 2015-12-22 | Siemens Product Lifecycle Management Software Inc. | Automatic spatial context based multi-object segmentation in 3D images |
WO2019180745A1 (en) * | 2018-03-21 | 2019-09-26 | Karade Vikas | Systems and methods for obtaining 3-d images from x-ray information for deformed elongate bones |
US20230169727A1 (en) * | 2020-04-30 | 2023-06-01 | Google Llc | Generative Nonlinear Human Shape Models |
CN114155286B (zh) * | 2021-11-09 | 2022-05-10 | 大连理工大学 | 一种骨骼ct图像的解剖形态和材料力学特性模板库的个性化配准方法 |
-
2023
- 2023-06-15 CN CN202310705769.2A patent/CN116452755B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11426281B2 (en) * | 2013-10-15 | 2022-08-30 | Mohamed Rashwan Mahfouz | Bone reconstruction and orthopedic implants |
CN105608741A (zh) * | 2015-12-17 | 2016-05-25 | 四川大学 | 预测颌面骨整形术后软组织容貌变化的计算机仿真方法 |
CN111640175A (zh) * | 2018-06-21 | 2020-09-08 | 华为技术有限公司 | 一种物体建模运动方法、装置与设备 |
CN109978998A (zh) * | 2019-04-03 | 2019-07-05 | 北京师范大学 | 一种基于面部软组织和形状空间的古人类颅面复原方法 |
CN110570515A (zh) * | 2019-09-03 | 2019-12-13 | 天津工业大学 | 一种利用ct图像进行人体骨骼三维建模的方法 |
CN110570464A (zh) * | 2019-09-16 | 2019-12-13 | 常州工程职业技术学院 | 一种面向骨骼外形平均化的股骨模型配准方法 |
WO2023078309A1 (zh) * | 2021-11-05 | 2023-05-11 | 苏州微创畅行机器人有限公司 | 目标特征点提取方法、装置、计算机设备和存储介质 |
CN114332378A (zh) * | 2021-12-31 | 2022-04-12 | 西安交通大学 | 基于二维医学影像的人体骨骼三维模型获取方法及系统 |
Non-Patent Citations (2)
Title |
---|
"基于增强现实医生操作最适化研究";张日威;《中国优秀硕士学位论文全文数据库卫生科技辑》;全文 * |
"基于骨骼组织分割与增强现实技术的计算机辅助骨科手术系统";张志敏;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116452755A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5134957B2 (ja) | 運動中の標的の動的追跡 | |
Maurer et al. | Registration of head CT images to physical space using a weighted combination of points and surfaces [image-guided surgery] | |
US11141225B2 (en) | Image matching device and image matching method | |
AU2019386119B2 (en) | Artificial-intelligence-based determination of relative positions of objects in medical images | |
EP3788596B1 (en) | Lower to higher resolution image fusion | |
WO2008016544A2 (en) | Region delineation, image registration and image fusion for radiation therapy | |
JP2008531163A (ja) | 手術計画立案 | |
CN114155376A (zh) | 目标特征点提取方法、装置、计算机设备和存储介质 | |
CN109152566A (zh) | 校正超声融合成像系统中的探头引起的变形 | |
CN111724420A (zh) | 一种术中配准方法、装置、存储介质和服务器 | |
EP3468668A1 (en) | Soft tissue tracking using physiologic volume rendering | |
CN115526929A (zh) | 基于图像的配准方法和装置 | |
CN115887003A (zh) | 手术导航系统的配准方法、装置和手术导航系统 | |
Cai et al. | A level-wise spine registration framework to account for large pose changes | |
CN116452755B (zh) | 一种骨骼模型构建方法、系统、介质及设备 | |
US11837352B2 (en) | Body representations | |
EP3888053A1 (en) | Artificial-intelligence-assisted surgery | |
TWI836493B (zh) | 註冊二維影像資料組與感興趣部位的三維影像資料組的方法及導航系統 | |
Lin et al. | Optimization model for the distribution of fiducial markers in liver intervention | |
Firle et al. | Mutual-information-based registration for ultrasound and CT datasets | |
US20230149083A1 (en) | Method and navigation system for registering two-dimensional image data set with three-dimensional image data set of body of interest | |
Gueziec et al. | Anatomy-based registration of CT-scan and x-ray fluoroscopy data for intraoperative guidance of a surgical robot | |
US20230316550A1 (en) | Image processing device, method, and program | |
Gonçalves et al. | Registration of Bone Ultrasound Images to CT based 3D Bone Models | |
CN116211351A (zh) | 一种基于三维影像的前列腺追踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |